正则表达式在使用php和simplexml_load_string解析失败时用xml标记冒号

Question

在我的last question的后续内容中，如果您有一个xml文件格式错误的字符串，可以使用preg_replace_callback（）提取内容以删除破坏的元素。

此功能的点不与正则表达式解析XML（一坏主意 ），而是试图找到XML不解析和它失败，使我们能 标志物品在发送出 之前没有正确格式化。这是在发送 之前清除内容的一组工具中的一部分。我正在测试它在已知格式不正确的公开RSS网址上，以及 作为内部网址来查看它是否适合多种情况。该回调将为失败的节点返回一个整数。如果在此之后通过，我们可以报告文章的索引，然后尝试使用DOMDocument尝试更正html并重试。如果失败，我们将它作为一个重要的报告，否则，我们返回解析文章描述和内容回数据库，将其标记为分娩前进行修改。

然后，您可以取出损坏的元素，并通过DOMDocument运行它们以更好地格式化它们以返回到XML文件。

但是，我坚持就如何使下面false以外回报这个例子：

示例XML：

<item> 
    <content:encoded><![CDATA[ 
     This is the text with odd characters that are killing 
     simplexml_load_string() (doesn't recover) and breaking 
     (although recoverable) DOMDocument 
    ]]></content:encoded> 
</item> 

如果我用下面的PHP，我可以提取描述节点

<description><![CDATA[ 
    This is some description text with the same problem 
]]></description> 

到

<description>0</description> 

：从将其转换

PHP：

preg_replace_callback(
    '/<description>(.*)<\/description>/', **// add msU modifiers to fix below** 
    'node_tidy::callback_description', 
    $xml 
); 

...

private function callback_description($matches=false) { 
    if(false !== $matches) { 
     $this->arrDescriptions[] = $matches[1]; 
     return '<description>'.$this->indexDescriptions++.'</description>'; 
    } else { 
     return false; 
    } 
} 

然而，当我尝试做相同的content:encoded节点，则返回false。下面是相关的函数：

private function callback_content_encoded($matches=false) { 
    if(false !== $matches) { 
     $this->arrContentEncoded[] = $matches[1]; 
     return '<content:encoded>'.$this->indexContentEncoded++.'</content:encoded>'; 
    } else { 
     return false; 
    } 
} 

使用直正则表达式，以测试它的冒号，我用这个：

<?php 

$string = '<content:encoded>this is some text</content:encoded>'; 
preg_match('/<content\:encoded>(.*)<\/content\:encoded>/',$string,$matches); 

echo '<pre>'; 
print_r($matches); 
echo '</pre>'; 

?> 

然而，这并没有添加或不添加\:打印预期阵列。可能有人点我在这里认识误区正确的方向？

非常感谢！

UPDATE： 这里的失败，通过@Florent指示的真正的XML的示例代码段。

http://pastebin.com/7z0f3MJP

UPDATE： 此正则表达式所需的内容相匹配：

preg_match('/<content\:encoded>(.*)<\/content\:encoded>/msU',$string,$matches); 

的M和S和U修饰符解释的更好位置： http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php

我不想去考虑这些修饰语。

结果现在带回了这个正则表达式，包括原始问题，所以现在可以解决。

Answer 1

您应该添加以下标志您正则表达式：

• m，使多串
• u启用UTF8字符串（如有必要）

Answer 2

多行修饰符是不被使用，所以它不需要。只有/ s（点全部）修饰符是必要的。永远不要使用/ U（非贪婪）修饰符（在我看来）。应该使用/ u（unicode）修饰符。

如果您正在寻找解开CDATA结构内的html，最好使用w3c规范，即使您的xml使用其标记的命名空间名称。这只有在xml标签中唯一的元素是CDATA的时候，并且假定xml格式良好。

在现实世界中，评论可能包装CDATA，反之亦然，同时隐藏很多其他的东西。所以，现实是正则表达式可能能够通过错误的xml解析然后恢复，但是它不可靠，而且肯定更复杂。

这就是说，这将从您的示例中提取CDATA，并仅从字面意义上提取CDATA。

if (preg_match(
    '~<content:encoded\s*> 
     \s* 
     <!\[CDATA\[ (.*?) \]\]> 
     \s* 
    </content:encoded\s*>~xsu', 
    $string, 
    $matches)) 
{ 
print ($matches[1]); 
}